上海燃气负荷预测研究
摘要 | 第1-7页 |
ABSTRACT | 第7-11页 |
第1章 绪论 | 第11-17页 |
·课题背景 | 第11-12页 |
·燃气负荷预测的意义 | 第12-13页 |
·上海燃气负荷预测特点分析 | 第13-14页 |
·相关领域研究现状 | 第14-15页 |
·本论文的主要工作 | 第15-17页 |
第2章 燃气负荷预测的研究方法及现状 | 第17-27页 |
·燃气负荷预测概述 | 第17页 |
·燃气负荷预测的分类 | 第17-18页 |
·燃气负荷预测主要研究方法 | 第18-27页 |
·回归分析法 | 第18-19页 |
·时间序列法 | 第19-20页 |
·灰色系统法 | 第20-22页 |
·神经网络方法 | 第22-24页 |
·模糊理论方法 | 第24-25页 |
·支持向量机方法 | 第25页 |
·组合预测方法 | 第25-27页 |
第3章 数据挖掘在燃气负荷预测中的应用 | 第27-33页 |
·数据挖掘简介 | 第27页 |
·离群数据挖掘 | 第27-28页 |
·离散数据挖掘的方法简介 | 第28-29页 |
·基于偏差的方法 | 第28页 |
·基于统计学分布方法 | 第28页 |
·基于距离的方法 | 第28-29页 |
·基于k 最近邻的燃气负荷时序数列离群数据挖掘 | 第29页 |
·离散数据点的修正 | 第29-30页 |
·具体实例分析 | 第30-31页 |
·小结 | 第31-33页 |
第4章 基于粗糙集神经网络的日负荷预测 | 第33-43页 |
·研究现状 | 第33页 |
·粗糙集理论简介 | 第33-35页 |
·知识抽象过程 | 第34页 |
·约简过程 | 第34-35页 |
·粗糙集神经网络结构(RSBP)简介 | 第35-37页 |
·神经元基本结构 | 第35-36页 |
·粗糙集神经网络结构 | 第36-37页 |
·短期燃气负荷的影响因素 | 第37-39页 |
·训练过程简介 | 第39-40页 |
·预测结果 | 第40-42页 |
·结论 | 第42-43页 |
第5章 基于SOFM-SVR的燃气日负荷预测 | 第43-53页 |
·主要技术简介 | 第43-47页 |
·回归支持向量机(SVR) | 第43-44页 |
·自组织特征映射(SOFM) | 第44-46页 |
·粒子群优化算法(PSO) | 第46-47页 |
·模型的框架及流程 | 第47-51页 |
·模拟实验及结论 | 第51-53页 |
第6章总结 | 第53-55页 |
·工作总结 | 第53页 |
·主要创新点 | 第53-54页 |
·工作展望 | 第54-55页 |
参考文献 | 第55-59页 |
致谢 | 第59-60页 |
硕士期间发表的论文及参与的项目 | 第60页 |